针对航空发动机剩余使用寿命（RUL）预测方法没有同时加权不同时间步下的数据，包括原始数据和所提取的特征，导致RUL预测准确性较低的问题，提出了一种基于优化混合模型的RUL预测方法。首先，选用三种不同的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络；2）将原始数据输入双向长短期记忆（Bi-LSTM）网络，并采用注意力机制处理得到的特征；3）使用注意力机制处理原始数据，并将加权特征输入至卷积神经网络（CNN）和Bi-LSTM网络中。然后，采用融合多路径特征预测的思想，将上述提取到的特征融合后输入至全连接网络获得RUL预测结果。最后，使用商用模块化航空推进系统仿真（C-MAPSS）数据集验证方法的有效性。实验结果显示，所提方法在4个数据集上均有较好的表现。以FD001数据集为例，所提方法的均方根误差（RMSE）比Bi-LSTM网络降低了9.01%。

为构建安全高效的网络环境，必须对伪造、受篡改数据帧进行有效的识别与过滤。然而，在软件定义网络（SDN）中，现有的安全验证机制通常在验证设备受到攻击或恶意控制时无法有效运行。为解决上述问题，提出了基于区块链的SDN数据帧安全验证机制。首先，设计帧转发证明（PoFF）共识算法并以此为基础建立轻量型区块链系统；然后，基于该系统构建针对SDN数据帧的安全验证体系；最后，提出可灵活调节的半随机选择验证模式以兼顾验证效率与资源开销。仿真结果表明，在同等比例的交换机被恶意控制情况下，所提机制的漏检概率较基于哈希链的验证机制有明显降低。其中，当受控交换机占比为40%时，降低效果尤其显著：此时所提机制在基本验证模式下的漏检概率低于32%，在辅助以半随机验证后可进一步降到7%，均远低于基于哈希链的验证机制72%的漏检概率；且所提机制引入的资源开销与通信代价在合理范围内。此外，即使在SDN控制器完全失效情况下，所提机制仍可保持良好的验证性能与效率。